Warum der interne KI-Assistent falsch antwortet

Der erste interne KI-Assistent fühlt sich meist wie ein massiver Durchbruch im Wissensmanagement an.

Man kann endlich einfach Fragen stellen, anstatt sich mühsam durch Richtlinien, Produktdokumentationen, Support-Tickets, Besprechungsnotizen, Confluence-Seiten und alte SharePoint-Ordner zu wühlen. Die Oberfläche ist aufgeräumt. Die Interaktion wirkt natürlich. Das Heilsversprechen liegt auf der Hand.

Doch dann beginnt der unangenehme Teil.

Die Antworten kommen schnell und klingen absolut plausibel – sie sind aber fachlich nicht ganz richtig. Die KI zitiert eine Richtlinie, die vor sechs Monaten abgelöst wurde. Sie vermischt einen alten Prozess mit einem neuen. Sie findet drei verschiedene Versionen derselben Vorlage und kann nicht beurteilen, welche noch Gültigkeit hat. Sie fasst eine strategische Entscheidung fehlerfrei zusammen, ignoriert aber völlig die Randbedingungen, unter denen diese Entscheidung damals überhaupt erst Sinn ergab.

Der instinktive Reflex ist, der KI oder dem Setup die Schuld zu geben.

Manchmal ist das auch berechtigt. Die Retrieval-Architektur kann schwach sein. Berechtigungskonzepte sind zu weit gefasst. Das Chunking der Dokumente passt nicht. Oder der Prompt erzwingt eine Bestimmtheit, für die es im Quellmaterial schlicht keine Grundlage gibt.

Viel öfter jedoch zeigt das System etwas weitaus Unbequemeres: Es spiegelt den ungeschönten Zustand des internen Wissensmanagements wider.

KI erzeugt keine Wissensschulden. Sie macht sie lediglich erbarmungslos sichtbar.

Früher zeigten sich diese Kosten als schleichende Reibungsverluste

Auch ohne KI ist fragmentiertes und lückenhaftes Wissen extrem teuer.

Mitarbeitende verschwenden Zeit mit der Suche nach Basisinformationen. Immer wieder werden dieselben Fragen gestellt. Veraltete Vorlagen zirkulieren weiter. Längst getroffene Entscheidungen werden in Meetings neu aufgerollt. Neue Teammitglieder lernen Arbeitsabläufe nur, indem sie jene wenigen Kollegen unterbrechen, die die undokumentierten Prozesse zufällig noch im Kopf haben.

Da sich diese Kosten auf die gesamte Organisation verteilen, werden sie selten als systemisches Problem erkannt. Ein paar verschenkte Minuten hier. Ein unnötiger Chat-Thread dort. Ein überflüssiges Meeting. Eine erfahrene Fachkraft, die dieselbe Rückfrage zum zehnten Mal beantwortet.

KI rückt diese versteckten Kosten plötzlich ins Rampenlicht, weil sie mangelnde Wissensqualität direkt in fehlerhaftes Systemverhalten übersetzt.

Wenn die Organisation veraltete Dokumente hortet, liefert der Assistent veraltete Antworten. Wenn Entscheidungen nur als Ergebnis, nicht aber mit ihrer Begründung dokumentiert sind, kann die KI den Kontext nicht rekonstruieren. Ist unklar, wer die inhaltliche Hoheit hat, kann das System nicht entscheiden, welche Quelle im Zweifelsfall Vorrang hat.

Schlechtes Wissensmanagement führte in der Vergangenheit zu Verzögerungen. Mit KI und autonomen Agenten schlägt es nun direkt auf die Richtigkeit von Arbeitsergebnissen durch – und schafft damit eine völlig neue Risikoklasse.

Mehr Datenzugriff ist nicht dasselbe wie besseres Wissen

Viele KI-Projekte im Enterprise-Umfeld starten mit einer naiven Annahme: Viel hilft viel. Der Gegenentwurf — Wissen beim Einlesen verdichten statt Rohdaten anhäufen — steht im ersten Teil dieser Serie.

Mehr Dokumente, mehr angebundene Ablagen, mehr Tickets, mehr E-Mails, mehr Kontext.

In manchen Fällen hilft das. Aber in der Regel ist ein breiterer Zugriff auf Datenlabyrinthe nicht gleichbedeutend mit besserem Wissen.

Die wahren Probleme liegen viel tiefer:

• Ein und derselbe Prozess ist an fünf verschiedenen Orten dokumentiert.
• Niemand weiß mehr, welches Dokument maßgeblich ist.
• Es gibt offizielle Richtlinien, aber die gelebten Ausnahmen existieren nur in den Köpfen der Belegschaft.
• Projektentscheidungen wurden protokolliert, die Abwägungen dahinter jedoch nicht.
• Veraltete Dokumentationen wurden beim Systemwechsel nie archiviert.
• Vorlagen werden munter weiterverwendet, lange nachdem sich der eigentliche Prozess geändert hat.
• Die Verantwortung liegt bei einem abstrakten „Team“, nicht bei einer konkreten Person, die die Inhalte auch wirklich pflegt.
• Die offizielle Dokumentation spricht eine völlig andere Sprache als die Teams im Arbeitsalltag.

Ein KI-System kann aus diesem Chaos fleißig Material extrahieren. Es kann aber keine Entscheidungen für die Organisation treffen, die diese selbst nie getroffen hat.

Wenn sich zwei Quellen widersprechen, wählt das Sprachmodell vielleicht willkürlich eine davon aus. Das bedeutet nicht, dass das Unternehmen eine „Source of Truth“ hat. Es bedeutet lediglich, dass das System raten musste.

Eine echte Source of Truth braucht einen Owner

Der Begriff „Source of Truth“ (die einzige verlässliche Wahrheitsquelle) wird oft viel zu leichtfertig verwendet.

Eine Quelle wird nicht dadurch verlässlich, dass sie in einer hübschen zentralen Ablage liegt. Sie ist es, weil jemand aktiv dafür sorgt, dass sie stimmt.

Das erfordert Verantwortung im ganz praktischen Sinne: Wer aktualisiert das Dokument? Wer löscht veraltetes Material? Wer klärt inhaltliche Widersprüche? Wer entscheidet, ob ein Prozesspapier noch der Realität entspricht?

Fehlt diese Ownership, fungiert die interne KI lediglich als bequemes Interface für unsichere, unzuverlässige Antworten.

Genau deshalb lassen sich klassisches Wissensmanagement und KI-Initiativen nicht länger getrennt betrachten. Sobald eine KI anfängt, Mitarbeiterfragen zu beantworten, Richtlinien zu prüfen oder Entscheidungen vorzubereiten, wird die Qualität des zugrunde liegenden Wissens zu harter, geschäftskritischer Infrastruktur.

Dokumentation ist nicht länger nur Text, den Menschen lesen (sofern sie ihn finden). Sie wird zur direkten Eingabe für autonome Systeme, die darauf basierend operieren. Das verändert den Maßstab völlig.

Die entscheidende Frage lautet nicht: „Können wir es durchsuchen?“

Eine gute semantische Suche ist ein hervorragender Anfang.

Doch für den echten KI-Einsatz im Unternehmen greift „Suchen und Finden“ zu kurz. KI stiftet erst dann massiven Mehrwert, wenn sie den geschäftlichen Kontext hinter den Informationen begreift:

• Welche Richtlinie gilt tagesaktuell?
• Warum wurde sie in der Vergangenheit geändert?
• Welche Abteilungen sind davon betroffen?
• Welche Ausnahmen sind offiziell toleriert?
• Welche Management-Entscheidung stützt diesen Prozess?
• Wer trägt die fachliche Verantwortung für diese Antwort?
• Gibt es ein Ablaufdatum für diese Information?

Ein Unternehmen, das nützliche KI will, muss sich zwingend damit auseinandersetzen, wie Wissen entsteht, gepflegt und ausgemustert wird – und wie man Vertrauen in dieses Wissen aufbaut. Ein Sprachmodell kann diese redaktionelle Arbeit unterstützen, aber es kann die menschliche Verantwortung nicht ersetzen. Ein strukturierter Synthese-Workflow ist hierfür ein sehr guter Startpunkt.

Fangen Sie dort an, wo lückenhaftes Wissen heute schon schmerzt

Sie müssen nicht das gesamte unternehmensweite Wissensmanagement revolutionieren, bevor KI nützlich werden kann.

Fangen Sie pragmatisch dort an, wo fehlerhaftes Wissen heute schon Ineffizienzen verursacht:

Ein Support-Team, das die Produktentwicklung immer wieder um dieselbe Klärung bitten muss. Ein Finanzprozess, der auf dem Papier eine klare Richtlinie hat, in der Praxis aber völlig anders gelebt wird. Eine IT-Abteilung, die ihre Architekturentscheidungen in Jira-Tickets vergräbt. Ein Vertriebsteam, das hartnäckig mit veralteten Standard-Pitches arbeitet.

Wählen Sie einen dieser isolierten Bereiche aus. Erfassen Sie die Quellen. Decken Sie Widersprüche auf. Benennen Sie einen klaren Owner. Mustern Sie Altlasten rigoros aus. Definieren Sie dann ein Set an Test-Fragen („Golden Dataset“), die das KI-System fehlerfrei und verlässlich beantworten können muss. Und prüfen Sie diese Fragen erneut, sobald sich das Quellmaterial oder die KI-Infrastruktur ändert.

Das klingt nicht nach glamouröser KI-Entwicklung – schlicht, weil es das nicht ist. Es ist handwerkliche Fleißarbeit und im Grunde eine sehr simple Aufgabenstellung.

Aber genau diese Arbeit macht den Unterschied zwischen einem internen Assistenten, der auf Präsentationen beeindruckt, und einem Werkzeug, dem man im echten Arbeitsalltag blind vertrauen kann.

KI beseitigt keine Wissensschulden. Aber sie liefert Unternehmen endlich den wirtschaftlichen Grund, sie ein für alle Mal abzutragen.